Nội dung liên quan: Phương pháp và quy trình tỷ lệ cá cược euro hóa Bayes

1Tối ưu hóa Bayes mục tiêu đơn

Hàm một mục tiêuf (x)Biến thiết kế để thu nhỏ x

Bước 1: Tạo dữ liệu mẫu (thiết kế thử nghiệm)

Biến thiết kế xf(x)Quá trình này còn được gọi là "Thiết kế thử nghiệm (DOE)" và sử dụng càng ít dữ liệu mẫu càng tốt để thiết kế các biến xkhông gian So với phương pháp tạo mẫu ngẫu nhiên (còn gọi là "lấy mẫu Monte Carlo"), "Lấy mẫu Hypercube Latin (LHS)" [1] đã được đề xuất như một DOE lý tưởng, đảm bảo tính trực giao của các mẫu được tạo (trạng thái trong đó tất cả các cấp chỉ được chọn một lần cho tất cả các biến thiết kế mà không bị trùng lặp)

Bước 2: Xây dựng mô hình thay thế (Kriging)

Bằng cách tìm hiểu dữ liệu mẫu được tạo ở bước 1, hàm mục tiêuf(x)tỷ lệ cá cược euro hóa Bayesian sử dụng ``Kriging'' [2] (cũng gần như đồng nghĩa với ``quy trình Gaussian'' [3]), mô hình hóa một quy trình ngẫu nhiên phù hợp với dữ liệu mẫu Trước khi tìm hiểu dữ liệu mẫu (phân phối trước), quy trình ngẫu nhiên không gì khác hơn là một tập hợp của vô số mô hình hoạt động ngẫu nhiên mà không có xu hướng rõ ràng và không tạo thành một nhóm các mô hình thay thế Do đó, chúng tôi sử dụng "ước tính khả năng tối đa" để tìm trạng thái của quá trình ngẫu nhiên (phân phối sau) có thể tái tạo chính xác nhất dữ liệu mẫu Ước tính khả năng tối đa được thực hiện bằng cách giải quyết vấn đề tỷ lệ cá cược euro hóa xác định các tham số kiểm soát hình dạng của mô hình theo cách tối đa hóa xác suất tái tạo dữ liệu mẫu Giá trị trung bình của quá trình ngẫu nhiên thu được theo cách này được rút ra dưới dạng phương trình ước tính hàm mục tiêu và phương sai của quá trình ngẫu nhiên được lấy dưới dạng phương trình biểu thị "độ không chắc chắn" (tức là sai số ước tính/thanh lỗi) có thể được đưa vào ước tính

Bước 3: Tìm kiếm giải pháp tỷ lệ cá cược euro dựa trên hàm thu thập "EI"

Vì mô hình thay thế được xây dựng ở bước 2 bao gồm các lỗi ước tính nên giải pháp tỷ lệ cá cược euro tìm thấy trên mô hình là hàm mục tiêu thực sựf(x)Do đó, giải pháp tỷ lệ cá cược euro đã được tìm thấy trên mô hình thay thế được xây dựng bằng cách sử dụng dữ liệu mẫu của N điểm x*, giá trị thực của hàm mục tiêuf(x*), hãy thêm nó làm dữ liệu mẫu N+1 Sau đó, quay lại bước 2, cập nhật mô hình thay thế, rồi lặp lại chuỗi bước để tìm giải pháp tỷ lệ cá cược euro ở bước 3 Chỉ mục dùng để quyết định vị trí thêm điểm dữ liệu mẫu mới được gọi là "hàm thu thập"

Ở đây, chúng tôi giới thiệu "Cải thiện dự kiến (EI)" [4] dưới dạng chức năng thu nạp EI là hàm mục tiêu được định nghĩa là phân phối chuẩn của giá trị trung bình và phương sai của quá trình ngẫu nhiên do Kriging xây dựng ở trênf(x)f(x)cải thiện Trong tỷ lệ cá cược euro hóa Bayes, hàm mục tiêu có hình dạng không xác định (hộp đen)f(x) x*và lặp đi lặp lại thêm dữ liệu mẫu mới vào nó Điều này giúp có thể đồng thời giảm sai số ước lượng của mô hình thay thế (``thăm dò'', chịu trách nhiệm tìm kiếm toàn cục) và tìm ra giải pháp tốt hơn trên mô hình thay thế (``khai thác'', chịu trách nhiệm tìm kiếm cục bộ)

2Tối ưu hóa Bayes đa mục tiêu

Hàm đa mục tiêuf₁(x), f₂(x), …

Sự khác biệt giữa tỷ lệ cá cược euro hóa Bayesian một mục tiêu và đa mục tiêu chủ yếu xuất hiện trong định nghĩa của hàm thu thập được sử dụng ở bước 3 Hàm thu thập EI được mô tả ở trên có thể được áp dụng trực tiếp cho các bài toán tỷ lệ cá cược euro hóa đa mục tiêu bằng cách tính toán nó cho từng hàm mục tiêu riêng lẻ Tuy nhiên, tỷ lệ cá cược euro hóa Bayes dựa trên EI khó giải quyết trong các bài toán tỷ lệ cá cược euro đa mục tiêu, trong đó có vô số lời giải tỷ lệ cá cược euro ParetoBuổi đầu tiên: Sản xuất và tỷ lệ cá cược euro hóa] có xu hướng bị sai lệch (nghĩa là thiếu thông tin đánh đổi của hàm mục tiêu)

Chức năng thu thập "EHVI"

Ở đây, chúng tôi giới thiệu "Cải thiện siêu âm lượng dự kiến (EHVI)" [5], được đề xuất như một chức năng thu thập chuyên dụng cho tỷ lệ cá cược euro hóa Bayes đa mục tiêu EHVI tính toán mức độ cải thiện dự kiến ​​bằng cách sử dụng nhiều hàm mục tiêu dựa trên giải pháp tỷ lệ cá cược euro Pareto trong số dữ liệu mẫu thu được cho đến nayf₁(x), f₂(x), …

Chức năng mua lại "EPBII"

So với hàm thu thập EHVI nêu trên, các tác giả đã phát triển phương pháp tỷ lệ cá cược euro hóa Bayes bằng cách sử dụng hàm thu thập duy nhất "Cải thiện giao lộ ranh giới dựa trên hình phạt dự kiến: EPBII" [7] để ngăn chặn mạnh mẽ sự thiên vị trong quá trình tìm kiếm giải pháp tỷ lệ cá cược euro Pareto EPBII có nhiều hàm mục tiêuf₁(x), f₂(x), , nhiều vectơ hướng tìm kiếm được đặt đồng đều trong không gian và mức độ cải thiện dự kiến được tính bằng khoảng cách dọc theo mỗi hướng tìm kiếm dựa trên giải pháp tỷ lệ cá cược euro Pareto trong số dữ liệu mẫu liền kề với mỗi vectơ Do việc tìm kiếm giải pháp tỷ lệ cá cược euro Pareto được thúc đẩy dọc theo từng vectơ hướng tìm kiếm bao trùm không gian hàm mục tiêu mà không bị sai lệch, nên nó được kỳ vọng sẽ cung cấp cái nhìn toàn cảnh về sự đánh đổi hàm mục tiêu, điều này sẽ cung cấp thông tin hữu ích trong thiết kế kỹ thuật thực tế

Thiết kế phần mềm khám phá không gian pSeven Desktop sử dụng phương pháp tỷ lệ cá cược euro hóa/machine learning

Giảm tất cả thời gian thực hiện thiết kế với pSeven Desktop Giảm bớt công việc tẻ nhạt và tự động hóa CAD, CAE, dữ liệu và quy trình Công cụ tự động hóa mạnh mẽ và AI độc đáo của pSeven Desktop cho phép bạn khám phá các điều kiện thiết kế tỷ lệ cá cược euro một cách hiệu quả

Nền tảng Citrine, nền tảng AI giúp tăng tốc thiết kế vật liệu

Nền tảng Citrine là giải pháp tin học vật liệu tận dụng AI để đẩy nhanh quá trình phát triển sản phẩm và hướng dẫn các chiến lược R&D của công ty đến thành công Bằng cách sử dụng cách tiếp cận hướng tới giải pháp tỷ lệ cá cược euro bằng cách lặp lại các dự đoán và thử nghiệm bằng mô hình AI, có thể đạt được các đặc điểm mục tiêu chỉ với một số lượng nhỏ thử nghiệm